Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Stefan Etschberger Hochschule Augsburg Lineare Gleichungssysteme: Einführung Beispiele linearer Gleichungssysteme 2x1 − 3x2 = −1 ⇒ x1 = x2 = 1 a) x1 + x2 = 2 x1 + x2 = 4 b) ⇒L=∅ x1 + x2 = 2 x1 − x2 = 1 c) ⇒ unendlich viele Lösungen −2x1 + 2x2 = −2 Mathematik 1 Stefan Etschberger 1. Grundlegende Bausteine 2. Grundlegende Werkzeuge 3. Aussagenlogik 4. Komplexe Zahlen 5. Lineare Algebra 5.1. Matrizen und Vektoren Probleme: System lösbar oder nicht? Verfahren zum Auffinden von Lösungen Darstellung von mehrdeutigen Lösungen 5.2. Matrixalgebra 5.3. Punktmengen im R n 5.4. Lineare Gleichungssysteme 5.5. Inverse Matrizen 5.6. Determinanten 5.7. Eigenwerte 6. Lineare Programme Dazu gibt es: Den Gaußschen Algorithmus (erzeugt Dreiecksmatrix) das Verfahren von Gauß-Jordan (modifizierte Gauß: erzeugt Einheitsmatrix) 83 Mathematik 1 Stefan Etschberger Allgemeines lineares Gleichungssystem Ein System von Gleichungen a11 x1 a21 x1 + + am1 x1 + a12 x2 a22 x2 + + am2 x2 + ··· ··· .. . + a1n xn + a2n xn = = ··· + amn xn = b1 b2 bm heißt lineares Gleichungssystem mit m Gleichungen und n Unbekannten. Die aij und bi heißen Koeffizienten des Gleichungssystems. In Matrixform: 1. Grundlegende Bausteine 2. Grundlegende Werkzeuge 3. Aussagenlogik 4. Komplexe Zahlen 5. Lineare Algebra 5.1. Matrizen und Vektoren 5.2. Matrixalgebra 5.3. Punktmengen im R n 5.4. Lineare Gleichungssysteme 5.5. Inverse Matrizen 5.6. Determinanten 5.7. Eigenwerte Ax = b 6. Lineare Programme Lösungsmenge: L = {x : Ax = b} 84 Mathematik 1 Stefan Etschberger Lösungsdarstellung Beispiel für Enddarstellung: x1 + x3 =4 x2 + 3x3 + 2x4 = 7 ⇔ 1 0 0 1 1 3 x1 x2 0 = 4 · 2 x3 7 x4 1. Grundlegende Bausteine 2. Grundlegende Werkzeuge 3. Aussagenlogik Dabei bezeichnet: 4. Komplexe Zahlen E R xB xN 5. Lineare Algebra 5.1. Matrizen und Vektoren =b 5.2. Matrixalgebra 5.3. Punktmengen im R n 5.4. Lineare Gleichungssysteme kann nach Basisvariablen aufgelöst werden: x1 = 4 − x3 , x2 = 7 − 3x3 − 2x4 (allgemeine Lösung) 5.5. Inverse Matrizen 5.6. Determinanten 5.7. Eigenwerte 6. Lineare Programme In diesem Fall immer lösbar, zum Beispiel mit xN = x3 0 = x4 0 ⇒ xB = x1 4 = x2 7 Gesucht: Verfahren zur Überführung beliebiger Gleichungssysteme in diese Form 85 Lösung von LGS Mathematik 1 Stefan Etschberger Elementare Umformungen Das sind Umformungen der Koeffizientenmatrix, die die Lösung nicht verändern. Erlaubt ist Multiplikation einer Zeile mit beliebigen Zahlen c 6= 0 Addition einer Zeile zu einer anderen Zeile Vertauschen von Zeilen oder Spalten 1. Grundlegende Bausteine 2. Grundlegende Werkzeuge 3. Aussagenlogik 4. Komplexe Zahlen 5. Lineare Algebra 5.1. Matrizen und Vektoren 5.2. Matrixalgebra Lösungsalgorithmus Lösung mit Verfahren von Gauß-Jordan: Systematische Umformungen nach obigem Prinzip, bis Darstellung der Koeffizientenmatrix in Einheits- und Restmatrix ensteht 5.3. Punktmengen im R n 5.4. Lineare Gleichungssysteme 5.5. Inverse Matrizen 5.6. Determinanten 5.7. Eigenwerte 6. Lineare Programme Algorithmus und Lösungsvarianten siehe Vorlesung 86 Mathematik 1 Stefan Etschberger Invertierung von Matrizen Definition Gegeben: n × n-Matrix (quadratisch) 1. Grundlegende Bausteine Existiert eine n × n-Matrix X mit AX = XA = E, so heißt X die zu A inverse Matrix. Schreibweise: X = A−1 ⇒ AA −1 −1 =A A=E Falls A 3. Aussagenlogik 4. Komplexe Zahlen 5. Lineare Algebra 5.1. Matrizen und Vektoren 5.2. Matrixalgebra Inverse Matrizen und Gleichungssysteme −1 2. Grundlegende Werkzeuge 5.3. Punktmengen im R n 5.4. Lineare Gleichungssysteme existiert, gilt: 5.5. Inverse Matrizen 5.6. Determinanten Ax = b ⇒ A−1 Ax = A−1 b ⇒ Ex = x = A−1 b 5.7. Eigenwerte 6. Lineare Programme Damit existiert genau eine Lösung und zwar: x = A−1 b 87 LGS und Orthogonalität Mathematik 1 Stefan Etschberger Berechnung inverser Matrizen durch den Gaußalgorithmus: Ansatz: Ax + Ey = 0 ⇒ A−1 Ax + A−1 Ey = 0 ⇒ Ex + A−1 y = 0 Also: Gaußtableau mittels elementarer Umformungen folgendermaßen umformen: (A|E) −→ E|A−1 Orthogonale Matrizen Eine n × n-Matrix A heißt orthogonal, wenn gilt: 1. Grundlegende Bausteine 2. Grundlegende Werkzeuge 3. Aussagenlogik 4. Komplexe Zahlen 5. Lineare Algebra 5.1. Matrizen und Vektoren 5.2. Matrixalgebra 5.3. Punktmengen im R n 5.4. Lineare Gleichungssysteme 5.5. Inverse Matrizen 5.6. Determinanten 5.7. Eigenwerte 6. Lineare Programme AAT = AT A = E Bei orthogonalen Matrizen A gilt also: A−1 = AT . Mit A ist damit auch AT orthogonal 88 Determinanten: Vorüberlegung Mathematik 1 Stefan Etschberger Permutationen und Inversionen Sei M = {a1 , . . . , an } eine n-elementige Menge. Dann: jede Anordnung (ap1 , . . . , apn ) der Elemente a1 , . . . , an mit {p1 , . . . , pn } = {1, . . . , n} heißt eine Permutation. Wenn für ein Paar (ai , aj ) einerseits i < j , und andererseits pi > pj , gilt: Inversion. Also: Ausgehend von Permutation (a1 , . . . , an ): Jede Vertauschung zweier Elemente ai und aj ist eine Inversion. 1. Grundlegende Bausteine 2. Grundlegende Werkzeuge 3. Aussagenlogik 4. Komplexe Zahlen 5. Lineare Algebra 5.1. Matrizen und Vektoren 5.2. Matrixalgebra 5.3. Punktmengen im R Beispiel Gegeben: Menge {1,2,3} n 5.4. Lineare Gleichungssysteme 5.5. Inverse Matrizen 5.6. Determinanten 5.7. Eigenwerte 6. Lineare Programme 89 Mathematik 1 Stefan Etschberger Determinanten: Vorüberlegung Permutationen und Inversionen Sei M = {a1 , . . . , an } eine n-elementige Menge. Dann: jede Anordnung (ap1 , . . . , apn ) der Elemente a1 , . . . , an mit {p1 , . . . , pn } = {1, . . . , n} heißt eine Permutation. Wenn für ein Paar (ai , aj ) einerseits i < j , und andererseits pi > pj , gilt: Inversion. Also: Ausgehend von Permutation (a1 , . . . , an ): Jede Vertauschung zweier Elemente ai und aj ist eine Inversion. 1. Grundlegende Bausteine 2. Grundlegende Werkzeuge 3. Aussagenlogik 4. Komplexe Zahlen 5. Lineare Algebra 5.1. Matrizen und Vektoren 5.2. Matrixalgebra 5.3. Punktmengen im R n 5.4. Lineare Gleichungssysteme Beispiel Gegeben: Menge {1,2,3} Damit: Folgende 6 Permutationen: (1,2,3) (1,3,2), (2,1,3) (2,3,1), (3,1,2) (3,2,1) 5.5. Inverse Matrizen 5.6. Determinanten 5.7. Eigenwerte 6. Lineare Programme ohne Inversion, mit je einer Inversion, mit je zwei Inversionen, mit drei Inversionen. 89